Gemeinsam Tiergesundheit fördern
- mit einheitlicher Dokumentation
und intelligenter Technologie
Erfahren Sie wie unsere App Tierhalter unterstützt, tiermedizinisches Fachpersonal entlastet und den verantwortungsvollen Umgang mit Patientendaten neu gestaltet. Mit anirec entscheiden Sie als Nutzer, welche Informationen zu welchem Zweck geteilt werden.
Eine zentrale Schnittstelle für
tiermedizinisches Fachpersonal & Tierhalter
Unser Ziel ist es, die standardisierte Erfassung klinischer Daten im Alltag so einfach und intuitiv wie möglich zu gestalten. Dadurch wird nicht nur die Kommunikation zwischen Tierärztinnen, Fachangestellten und Tierhaltern verbessert, sondern auch eine fundierte Grundlage für medizinische Entscheidungen geschaffen. Gleichzeitig ermöglichen strukturierte Verlaufsdokumentationen und datenschutzkonforme Auswertungen die Durchführung von Langzeitstudien sowie die objektive Bewertung der Wirksamkeit therapeutischer Maßnahmen. Das Ergebnis ist mehr Transparenz im Praxisalltag – und eine nachhaltige, datenbasierte Entscheidungsgrundlage direkt am klinischen Patienten.
Version 1.2.2
März 2026
animalrecords
Vernetzung klinischer Daten
Standardisierte digitale Patientenakte
Training künstlicher Intelligenzen
Hinter dem Namen animalrecords steht eine klare Vision: Eine zukunftsfähige Infrastruktur für die tiermedizinische Versorgung von morgen. Durch die Vernetzung klinischer Daten wird Wissen teilbar – über Standorte, Geräte und Disziplinen hinweg. Die standardisierte digitale Patientenakte sorgt dabei für Einheitlichkeit und Nachvollziehbarkeit, unabhängig davon, wer das Tier behandelt. So wird aus Dokumentation echter Fortschritt – für Tier, Mensch und Medizin.
Zukunft
Künstliche Intelligenzen werden den tierärztlichen Alltag verändern – und sie können dabei eine echte Unterstützung sein. Durch die strukturierte Erhebung klinischer Daten in Text und Bild sowie automatisierte Auswertungen entsteht die Chance, Untersuchungen objektiver zu gestalten und Therapien gezielter anzupassen.
Wir sehen vor Allem eine Chance diese Technologie verantwortungsvoll einzusetzen und zugänglich zu machen – im Sinne von Tierärzten, Tierhalterinnen und Tierpatienten. Über einheitliche Dokumentation, smarte Auswertung und hohe Automatisierung entsteht eine neue Form medizinischer Evidenz: strukturiert, zeit- & kostensparend und patientenzentriert.
2021
Gründung
Entwicklung & Erprobung eines einheitlichen Dokumentationskonzeptes; Build 0.0.1
2022
Web-App
Entwicklung
Basis für vereinfachte Langzeitstudien; Einheitliche Dokumentationsprotokolle
2023
KI-Implementierung
Diagnose von über 14 Erkrankungen des Pferdeauges
2024
Branding &
Mobile App
Corporate Design; Mobile App Entwicklung und Apple App Store Launch mit Offline-Mode
2025 - Q1
Usability Tests
Field Tests; Erhebung von Feedback zur Optimierung
2025 - Q2
Records & UX / UI
Optimierte Tierakte als Zentrum der Dokumentation mit Details zu Tier und Halter
2025 - Q3
Content - Protokolle & Fachwissen
Forschung und Entwicklung,
Backend- & Performance Optimierungen
2025 - Q4
KI-Entwicklung
Kooperationen mit Universitäten (LMU, vetmeduni Wien)
2026 - Q1
Grundlagen zur Konnektivität
u. A. Implementierung des Zwischenspeichers, verbesserte Berichte / PDF-Ausgabe &
Beginn der Einführung-Sessions
(Live Tutorials)
2026 - Q2
In-app Sharing
Selektives Freigeben und Teilen von Patientendaten & Befunden zwischen Nutzern (tierärztliches Fachpersonal & Tierhalter)
2026 - Q3
In-app Communication
Messenger zum erweiterten Austausch zwischen Nutzern
+ Erstellen von Organisationen (Sub-Accounts in Tierarztpraxen / Kliniken)
2026 - Q4
Erweiterung der Nutzergruppen
Custom interfaces für gewerbliche Tierhalter wie Stallbetriebe, Tierheime etc. sowie Forschende, Universitäten, Medical Boards, Labore
2027 - Q1
KI Beta-Versionen
zur Verhaltensanalyse
Lahmheit & Pain Score
2027 - Q2
Verwaltung & i18n
In-app Inventar für Warenwirtschaft & Hausapotheke - Leistungs-
& Abgabedokumentation, Verschreibungen
Multi-Language mit automatischer Übersetzung
2027 - Q3 & Q4
Schnittstellen
Buchhaltung, Daten-Import / Export, Meldungen (HI-Tier),
Untersuchungsgeräte
First Public API
2028 & beyond
Scaling
Weitere Tierarten
Forschung
Wir stehen in Forschungskooperation mit der Tierärztlichen Fakultät der Ludwig-Maximilians-Universität München und dem Institut für Künstliche Intelligenz der Hochschule Ravensburg-Weingarten.
May A.; Gesell-May S.; Müller T.; Ertel W.
DOI: 10.1111/evj.13528
Abstract
Background
Due to recent developments in artificial intelligence, deep learning, and smart-device-technology, diagnostic software may be developed which can be executed offline as an app on smartphones using their high-resolution cameras and increasing processing power to directly analyse photos taken on the device.
Objectives
A software tool was developed to aid in the diagnosis
of equine ophthalmic diseases, especially uveitis.
Study design
Prospective comparison of software and clinical diagnoses.
Methods
A deep learning approach for image classification was used to train software by analysing photographs of equine eyes to make a statement on whether the horse was displaying signs of uveitis or other ophthalmic diseases. Four basis networks of different sizes (MobileNetV2, InceptionV3, VGG16, VGG19) with modified top-layers were evaluated. Convolutional Neural Networks (CNN) were trained on 2346 pictures of equine eyes, which were augmented to 9384 images. 261 separate unmodified images were used to evaluate the performance of the trained network.
Results
Cross validation showed accuracy of 99.82% on training data and 96.66% on validation data when distinguishing between three categories (uveitis, other ophthalmic diseases, healthy).
Main limitations
One source of selection bias for the artificial intelligence presumably was the increased pupil size, which was mainly present in horses with ophthalmic diseases due to the use of mydriatics, and was not homogeneously dispersed in all categories of the dataset.
Conclusion
Our system for detection of equine uveitis is unique and novel and can differentiate between uveitis and other equine ophthalmic diseases. Its development also serves as a proof-of-concept for image-based detection of ophthalmic diseases in general and as a basis for its further use and expansion.
Abstract
Simple summary
In the expanding field of artificial intelligence, deep learning and smart-device-technology, a diagnostic software tool was developed, which can help distinguish between lame and sound horses and locate the affected limb. As lameness influences the welfare of horses and is often difficult to detect, this tool can help owners and veterinarians in the process of evaluation. The technology is based on pose estimation, which is already used in human and veterinary science to study movement of limbs or bodies without the need to fix any devices onto the object of interest. In this study, 22 horses with unilateral fore- or hindlimb lameness and a control group of eight sound horses were analysed with the program. Based on the results of the program, it was possible to differentiate between horses with fore- and hindlimb lameness and sound horses. Difficult light settings, such as direct sunlight or darkness, or very even-coloured coats, complicate the precise placement of reference points. The analysis and detection with software-generated movement trajectories using pose estimation is very promising but requires further development.
Abstract
Lameness in horses is a long-known issue influencing the welfare, as well as the use, of a horse. Nevertheless, the detection and classification of lameness mainly occurs on a subjective basis by the owner and the veterinarian. The aim of this study was the development of a lameness detection system based on pose estimation, which permits non-invasive and easily applicable gait analysis. The use of 58 reference points on easily detectable anatomical landmarks offers various possibilities for gait evaluation using a simple setup. For this study, three groups of horses were used: one training group, one analysis group of fore and hindlimb lame horses and a control group of sound horses. The first group was used to train the network; afterwards, horses with and without lameness were evaluated. The results show that forelimb lameness can be detected by visualising the trajectories of the reference points on the head and both forelimbs. In hindlimb lameness, the stifle showed promising results as a reference point, whereas the tuber coxae were deemed unsuitable as a reference point. The study presents a feasible application of pose estimation for lameness detection, but further development using a larger dataset is essential.
Scharre A.; Scholler D.; Gesell‐May S.; Müller T., Zablotski Y.; Ertel W.; May A.
DOI: 10.1111/evj.14087
Abstract
Background
The aim was to compare ophthalmic diagnoses made by veterinarians to a deep learning (artificial intelligence) software tool which was developed to aid in the diagnosis of equine ophthalmic diseases. As equine ophthalmology is a very specialised field in equine medicine, the tool may be able to help in diagnosing equine ophthalmic emergencies such as uveitis.
Objectives
In silico tool development and assessment of diagnostic performance.
Study design
A deep learning tool which was developed and trained for classification of equine ophthalmic diseases was tested with 40 photographs displaying various equine ophthalmic diseases. The same data set was shown to different groups of veterinarians (equine, small animal, mixed practice, other) using an opinion poll to compare the results and evaluate the performance of the programme. Convolutional Neural Networks (CNN) were trained on 2346 photographs of equine eyes, which were augmented to 9384 images. Two hundred and sixty-one separate unmodified images were used to evaluate the trained network. The trained deep learning tool was used on 40 photographs of equine eyes (10 healthy, 12 uveitis, 18 other diseases). An opinion poll was used to evaluate the diagnostic performance of 148 veterinarians in comparison to the software tool.
Results
The probability for the correct answer was 93% for the AI programme. Equine veterinarians answered correctly in 76%, whereas other veterinarians reached 67% probability for the correct diagnosis.
Main limitations
Diagnosis was solely based on images of equine eyes without the possibility to evaluate the inner eye.
Conclusion
The deep learning tool proved to be at least equivalent to veterinarians in assessing ophthalmic diseases in photographs. We therefore conclude that the software tool may be useful in detecting potential emergency cases. In this context, blindness in horses may be prevented as the horse can receive accurate treatment or can be sent to an equine hospital. Furthermore, the tool gives less experienced veterinarians the opportunity to differentiate between uveitis and other ocular anterior segment disease and to support them in their decision-making regarding treatment.
FAQ
anirec ist eine digitale Plattform, die tiermedizinisches Fachpersonal und tierhaltende Personen miteinander vernetzt. Sie ermöglicht eine einheitliche und strukturierte Dokumentation tiermedizinischer Daten und fokussiert sich auf die einfache und digitale Kommunikation zwischen den Beteiligten. Zu den Hauptfunktionen gehören die klinische Dokumentation, KI-gestützte Diagnostik, eine individuelle Datensouveränität und eine Offline-Funktionalität.
Sie als Nutzer haben die volle Kontrolle darüber, welche Daten Sie mit Fachpersonal, Kolleginnen oder Besitzern teilen. Sie haben die Wahl, ob Sie nur einzelne Befunde, oder den aktuellen Stand der gesamten Tierakte freigeben. Zukünftige Einträge bleiben weiterhin nur Ihnen zugänglich, solange, bis Sie diese bewusst teilen. Die App sorgt dafür, dass keine Duplikate entstehen, sondern die Empfänger Zugriff auf einen unveränderbaren Auszug der Originalakte haben. Als Empfänger haben Sie die Option den Auszug dauerhaft bei sich zu speichern.
anirec setzt auf etablierte Sicherheitsstandards und implementiert Technische und Organisatorische Maßnahmen (TOMs), um Ihre Daten umfassend zu schützen. Die Übertragung findet ausschließlich über sichere Methoden statt und jeder Nutzer kann über die Freigabe der Daten an Dritte selbst bestimmen. Es findet keine automatische Weitergabe der eingegebenen Daten statt.
Die App startet mit einem Fokus auf Pferde und speziell der Augenheilkunde. Weitere Tierarten und medizinische Disziplinen werden in Zukunft folgen. anirec hat z.B. Lahmheits-, Herz-, Atemapparatprotokolle und KI-gestützte Lahmheitsanalyse und Schmerzbewertung (Pain-Score-Analyse) in der Entwicklung.
anirec bietet eine Struktur für die standardisierte Erfassung klinischer Daten, die im Einzelfall wichtig für die Entscheidungsfindung sind und im Gesamten aussagekräftige und damit hilfreiche Statistiken entstehen lassen. Zudem bieten KI-gestützte Analysen Diagnosen, die mittels einfach zugänglichen Informationen (Zusammenfassung, Beispielbilder, Kriterien, Literaturangaben) überprüft werden können. Dies ist für Tierärztinnen und Tierhalter eine Hilfe, um gezielter handeln zu können.
Datensouveränität bedeutet, dass Nutzer entscheiden, welche medizinischen und persönlichen Daten sie mit wem teilen. Nur relevante Informationen zu einem konkreten Fall werden freigegeben, während andere Daten unberührt bleiben. Dies stellt sicher, dass Sie die Kontrolle über Ihre Daten behalten.
Ja, anirec arbeitet an der Integration mit anderen Programmen über Schnittstellen, um Funktionen wie Buchhaltung und Abrechnung abzudecken. Während diese Funktionen anfangs nicht Teil der App sind, wird die Integration mit bestehenden Systemen einen reibungslosen Ablauf ermöglichen und die Funktionalität erweitern, um die Alltagsaufgaben in der Tierarztpraxis abzudecken.
Ja, die anirec bietet Offline-Funktionalität, sodass Daten auch in Umgebungen ohne stabile Internetverbindung erfasst werden können. Sobald eine Verbindung wiederhergestellt ist, werden die Daten synchronisiert.
Tierhalterinnen können mit der anirec-App den Gesundheitszustand langfristig festhalten und verfolgen, sowie den tiermedizinischen Verlauf dokumentieren. Sie erhalten eine detaillierte Übersicht über die Behandlungsprotokolle und können die relevanten Daten einfach vorbereiten und gezielt mit Fachpersonal teilen, um die medizinische Betreuung zu verbessern.
Darüber hinaus stehen Ihnen ebenfalls KI-Analysen zur Verfügung, die Informationen liefern, ohne Diagnosen zu stellen. Dadurch haben Sie erste Anhaltspunkte für den Kontakt zum Tierarzt, sowie Einblicke zur Prävention von Erkrankungen.
anirec strebt danach, eine zukunftsfähige digitale Infrastruktur für die tiermedizinische Versorgung mitzugestalten. Neben der kontinuierlichen Erweiterung der App auf weitere medizinische Disziplinen und Tierarten arbeitet anirec an KI-gestützten Technologien, um diagnostische Prozesse zu verbessern und die Kommunikation im Gesundheitswesen gemeinsam mit anderen Akteuren weiterzuentwickeln.
anirec nutzt für die Erforschung und Entwicklung neuer Technologien und der Verbesserung der hier vorgestellten Werkzeuge und Dienste anonymisierte und aggregierte Tierdaten. Das bedeutet konkret:
-
Es sind keine Rückschlüsse zu Personen möglich
-
Es werden keine einzelnen Fälle veröffentlicht, lediglich die Resultate aus der Forschung aus der Gesamtheit der Daten
-
Ohne Ihre explizite Zustimmung, erhalten weder Mitarbeiter noch Gesellschafter der anirec GmbH Zugriff auf die Patientenakten.
-
Ausnahme bilden u.U. gezielte Supportanfragen und die Wartung der Systeme durch den Administrator. Dabei können vereinzelt Datenauszüge sichtbar sein, welche nicht weiter verarbeitet werden.
Darüber hinaus ist geplant, aus der Gesamtheit der Daten überregionale Statistiken zu erstellen, die für alle Nutzer einsehbar sind. In einzelnen Fällen können diese anonymisierten Statistiken auch außerhalb der Plattform veröffentlicht werden.
Dies geschieht zur Unterstützung der Tierärzte, der Patientenbesitzerinnen und der tiermedizinischen Forschung, um Erkenntnisse aus einem stetig wachsenden klinischen Tierdatensatz verfügbar zu machen. Auf der selben Basis können persönliche Statistiken erstellt werden, die für jeden Nutzer Vorteile bieten:
-
Pferdetierärztinnen erhalten mit Hilfe der digitale Patientenakte einen Überblick über Ihre Fälle und über die Wirksamkeit ihrer Therapien. Dadurch werden die Weiterbildung erleichtert und Evidenz im Praxisalltag erzeugt. Innerhalb und nach außen kann dies für einheitliche Darstellungen und Strukturen der Praxis oder Klinik genutzt werden. Zudem können Krankheiten einheitlich kategorisiert und definiert, sowie wirksame Therapien herauskristallisiert werden.
-
Forscher können auf die aggregierten klinischen Daten Zugriff erhalten, um Statistiken auszuwerten und für ihre Projekte zu nutzen.
-
Patienten und deren Besitzerinnen profitieren von den stetig wachsenden Fortschritten, weil Chancen und Risiken von Behandlungsmethoden immer genauer dargelegt und erklärt werden können.
-
Architektur
der Platform
Tobias Müller
Entwicklung App & KIs
Cyber-Security
tobias(at)anirec.de
Software-Developer
Vernetzung
klinischer Daten
Dr. Stefan Gesell-May
Veterinärmedizinische Inhalte
Forschung & Entwicklung
stefan(at)anirec.de
Praktizierender Tierarzt
Kommunikation
der Marke
Elias Escotto
CD & UI / UX
Brand Management
elias(at)anirec.de
Gestalter
